ACP/Podcast/Science

MKSAP Quiz: Evaluation for acute kidney injury

Posted on by Oshima / 0件のコメント

2025年7月8日付の「I.M. Matters Weekly」からのMKSAPクイズです 。

76歳の女性が、急性腎障害の評価のために救急部門に入院しました 。患者の症状は、脱力感、悪寒、および濃い色の尿でした 。

検査結果は以下の通りです:

  • C3補体：正常
  • C4補体：正常
  • クレアチニン：3.9 mg/dL (345 µmol/L) (高い)
  • 1か月前：0.8 mg/dL (70.7 µmol/L)
  • 抗糸球体基底膜抗体：陽性
  • 抗核抗体：陰性
  • ミエロペルオキシダーゼ抗体：陽性
  • プロテイナーゼ3抗体：陰性
  • 尿検査：血液3+、タンパク質3+

腎生検では、糸球体の50%に壊死性および半月体形成性糸球体腎炎が認められ、免疫蛍光法でIgGの線状染色が認められました 。胸部X線は正常でした 。

この患者の診断名は、抗糸球体基底膜（GBM）病による急速進行性糸球体腎炎です 。診断の根拠は以下の通りです。クレアチニン値は1か月前の0.8 mg/dL (70.7 µmol/L)から3.9 mg/dL (345 µmol/L)に上昇しています。

最も適切な治療法は、静脈内メチルプレドニゾロン、シクロホスファミド、および血漿交換です 。この患者の症状は、抗糸球体基底膜（GBM）病による急速進行性糸球体腎炎と一致しています 。この病気の治療には、高用量の静脈内グルココルチコイド（例：メチルプレドニゾロン）とシクロホスファミドに加え、抗体を除去するための血漿交換が含まれます 。血漿交換は通常、抗GBM抗体価が陰性になるまで隔日で行われます

患者の症状は、急速進行性糸球体腎炎と一致しています 。

腎生検では、免疫蛍光法でIgGの線状染色が認められ、これは抗GBM病を示唆しています 。

血清検査で抗GBM抗体が陽性であり、診断が確定されます 。

ミエロペルオキシダーゼ-ANCA陽性は、抗GBM病患者の最大33%に認められます 。

患者は急性腎障害、脱力感、悪寒、濃い色の尿を呈しています 。

尿検査では、血液3+、タンパク質3+が認められます 。

Podcast: Play in new window | Download

Podcast

身体診察総論

Posted on by Oshima / 0件のコメント

まずは
「通しの身体診察」を実現，継続しよう！　より

詳細は北野 夕佳先生著の　「Hospitalist(ホスピタリスト)2022年1号」ですが、その中から無料公開ページの内容を紹介しています。原著のページでは、Pemberton徴候・Dennison徴候等の動画や血管心雑音の音声コンテンツ等も公開されています。

「身体診察総論」では、医療従事者が患者と対面する際の自己紹介の重要性から始まり、患者確認、手指消毒、プライバシーへの配慮といった基本的ながらも極めて重要な診察の心得を解説しています。特に、患者誤認を防ぐための患者確認の徹底や、感染管理としての手指衛生の重要性が強調されています。

また、バイタルサインの把握の重要性や、重症度に応じた診察アプローチ（H&P症例 vs. ABC症例）の判断基準が示されています。時間がない中でも「通しの身体診察」を実践するための具体的な流れとして、頭部から始まり、頸部、胸部（呼吸音、心音）、腹部、背部、四肢、そしておおまかな神経診察に至るまでのポイントが詳細に解説されています。各部位の診察における所見の意義や、カルテ記載の具体例も示されており、実臨床での活用が期待される内容です。

さらに、副鼻腔の診察が敗血症性ショックの原因特定に繋がった事例や、腹部診察のコツ、DVT（深部静脈血栓症）予防のための下肢診察の重要性など、具体的な臨床メモが豊富に盛り込まれており、実践的なスキル習得に役立つでしょう。神経診察についても、効率的な進め方が紹介され、総合内科や救急医療で遭遇する機会の多いParkinson徴候の整理など、多岐にわたる情報が提供されています。

※AI音声の漢字の読み間違いが多い点はご了承ください

Podcast: Play in new window | Download

ACP/Podcast

MKSAP Quiz: 5-day history of hair loss

Posted on by Oshima / 0件のコメント

これは、I.M. MATTERS from ACP™ のMKSAPクイズで、髪の毛の損失に関するものです。

患者の提示: 25歳の女性が、5日間の頭皮の円形脱毛を訴えています。かゆみや灼熱感はありません。抜け毛の増加は報告されていませんが、数日前に髪を整えているときに脱毛斑に気づきました。過去に脱毛のエピソードはありません。彼女は1型糖尿病を患っており、インスリンで治療されています。

身体検査: バイタルサインは正常です。頭皮の所見が示されており（画像参照）、頸部または後頭部のリンパ節腫脹はありません。

質問: 最も可能性の高い診断は次のうちどれですか？

  • A. 円形脱毛症
  • B. 円板状エリテマトーデス
  • C. 休止期脱毛症
  • D. 頭部白癬

診断: 最も可能性の高い診断は円形脱毛症（オプションA）です。

根拠:

  • 円形脱毛症は、明確な境界を持つ滑らかな非瘢痕性脱毛斑を特徴とする自己免疫疾患です。脱毛は突然起こることが多く、頭皮の症状を伴いません。1型糖尿病のような他の自己免疫疾患の患者では発生率が増加します。患者は、毛包開口部が保たれ、鱗屑、色素沈着異常、紅斑、または瘢痕化した毛包がない、滑らかで境界が明確な円形脱毛斑を頭皮に有しています。
  • **円板状エリテマトーデス（DLE）**は瘢痕性脱毛として現れ、毛包開口部の喪失と、しばしば病変部位の低色素性または過色素性斑を伴います。また、通常、病変した色素異常の頭皮に紅斑や鱗屑を伴います。この患者には、DLEに関連する瘢痕過程に特徴的な紅斑、鱗屑、色素沈着異常、毛包開口部の喪失がありません。
  • 休止期脱毛症は、通常、びまん性の脱毛を伴う非瘢痕性脱毛の一種であり、一般的な髪の薄毛を引き起こします。通常、先行する外傷性イベント（手術、重度の病気、出産）によって引き起こされ、脱毛は約3か月後に始まります。この患者は、休止期脱毛症に見られるびまん性脱毛ではなく、限局性脱毛を呈しています。
  • 頭部白癬は頭皮の真菌感染症で、主に子供に見られます。円形脱毛斑として現れることがありますが、かゆみを伴い、通常、鱗屑、紅斑、または膿疱を伴います。後頭部または頸部リンパ節腫脹も存在する場合がありま

Podcast: Play in new window | Download

miscellaneous

臨床研究法の概要

Posted on by observation / 0件のコメント

ざっくり何について書かれているのかを把握しやすいようなマインドマップにまとめてみました。情報の抽出にはCopilotを使用しました。ところどころおかしなところがあるのは把握しています。気が向いたら修正したいとは思っていますが、とりあえず、そのまま掲載しています。どこの項に知りたいことが書かれているのかを探す向きにはこういうまとめも有用だろうと思います。実務に重要なポイントは元の文章を確認する必要があります。

もとになったのは平成29年版

概要

目次

１章・４章・５章

2章

３章

附則

Q＆A　長いので２つのパートに分割しました

QA１

QA２

miscellaneous

人を対象とした生命科学・医学系研究に関する倫理指針の概要

Posted on by observation / 0件のコメント

ざっくり何について書かれているのかを把握しやすいようなマインドマップにまとめてみました。情報の抽出にはCopilotを使用しました。ところどころおかしなところがあるのは把握しています。気が向いたら修正したいとは思っていますが、とりあえず、そのまま掲載しています。どこの項に知りたいことが書かれているのかを探す向きにはこういうまとめも有用だろうと思います。実務に重要なポイントは元の文章を確認する必要があります。

もとになったのは令和6年3月27日一部改訂版

指針ガイダンスの概要

指針前文

指針の適応範囲

01 総則

02 研究者等の責務

03 指針実施

04 指針 IC手続き

05 指針結果の取り扱い

06 指針信頼性確保

07 指針有害事象

08 指針倫理審査委員会

09 指針個人情報他

個人情報関連の用語

IC説明事項

IC通知事項

指針用語

miscellaneous

SAHのアウトカム予測モデルの構築

Posted on by observation / 0件のコメント

pROCパッケージのaSAHデータを使用して、多変量ロジスティック解析を行い、outcomeを他の変数で予測する予測式を作成してみましょう。

以下は具体的な手順です：

  1. 必要なパッケージのインストールと読み込み
  2. データの読み込み
  3. 多変量ロジスティック回帰モデルの構築
  4. モデルの結果を解釈する

ステップ1: パッケージのインストールと読み込み

まず、必要なパッケージをインストールして読み込みます。

install.packages("pROC")
install.packages("dplyr")

library(pROC)
library(dplyr)
library(ggplot2)

ステップ2: データの読み込み

次に、aSAHデータを読み込みます。予測式を作成する際にはカテゴリーを1, 0 の数字に置き換えたほうがいいので、outcome, gender wfnsをダミー変数に変換します。wfinsは各値を別々のダミー変数wfns2, wfns3, wfns4, wfns5に置き換えました。これらすべてが0ならwfns1が1になるはず（欠測値が無い）という事で、wfns1は作成しませんでした。

data(aSAH, package = "pROC")

# outcome変数を数値型のダミー変数に変換
aSAH <- aSAH %>%
  mutate(good_outcome = ifelse(outcome == "Good", 1, 0))

# gender変数を数値型のダミー変数に変換
aSAH <- aSAH %>%
  mutate(gender_numeric = ifelse(gender == "Male", 1, 0))

# wfns変数のダミー変数を作成し、データフレームに追加
aSAH <- aSAH %>%
  mutate(wfns2 = ifelse(wfns == 2, 1, 0),
         wfns3 = ifelse(wfns == 3, 1, 0),
         wfns4 = ifelse(wfns == 4, 1, 0),
         wfns5 = ifelse(wfns == 5, 1, 0))

ステップ3: 多変量ロジスティック回帰モデルの構築

多変量ロジスティック回帰モデルを作成します。この例では、outcomeを他の変数で予測するモデルを構築します。

# ロジスティック回帰モデルの構築
model <- glm(good_outcome ~ gender_numeric + age + wfns2 + wfns3 + wfns4 + wfns5 + s100b + ndka, 
             data = aSAH, family = binomial)

# モデルの概要を表示 係数coefを抽出
summary(model)
summary_model <- summary(model)
coef_model <- summary_model$coefficients

# モデル
logit_P = coef_model[1] + coef_model[2]*aSAH$gender_numeric + coef_model[3]*aSAH$age +
 coef_model[4]*aSAH$wfns2 + coef_model[5]*aSAH$wfns3 + coef_model[6]*aSAH$wfns4 +
 coef_model[7]*aSAH$wfns5 + coef_model[8]*aSAH$s100b + coef_model[9]*aSAH$ndka

aSAH$logit_P <- logit_P

ステップ4: モデルの結果や予測式の性能を見てみよう

ステップ３までで、モデルに基づいて予測式を作成しました。

# 散布図の作成 データの外観を確認する
ggplot(aSAH, aes(x=outcome, y=logit_P, color=outcome)) +
  geom_point() +
  labs(title="aSAH Data: wfns vs s100b",
       x="outcome",
       y="logit_P value") + 
  scale_y_continuous(limits = c(-6, 7))

# とりあえずROCカーブを描いてみよう
# roc1 <- aSAH %>% roc(outcome, logit_P)
# ggroc(roc1)

# 散布図の作成 データの外観を確認する
ggplot(aSAH, aes(x=outcome, y=logit_P, color=outcome)) +
  geom_point() +
  labs(title="aSAH Data: outcome vs logit_P",
       x="outcome",
       y="logit_P value")+
  scale_y_continuous(limits = c(-6, 7))

# ROC曲線の作成　s100b血清値でSAHの予後予測する設定
roc_obj <- roc(aSAH$outcome, aSAH$logit_P)

# ROC曲線のプロット
plot(roc_obj, main="ROC Curve predicting outcome of SAH using multivariate logistic model")

# AUCの計算
auc_value <- auc(roc_obj)
print(paste("AUC:", auc_value))

# 感度、特異度、陽性的中率、陰性的中率を計算
coords_obj <- coords(roc_obj, x="best", ret=c("sensitivity", "specificity", "ppv", "npv"))

# 結果を出力
print(paste("感度:", coords_obj["sensitivity"]))
print(paste("特異度:", coords_obj["specificity"]))
print(paste("陽性的中率:", coords_obj["ppv"]))
print(paste("陰性的中率:", coords_obj["npv"]))

# 尤度比を算出、その前に改めて感度と特異度を取得
coords_obj <- coords(roc_obj, x="best", ret=c("sensitivity", "specificity"))
sensitivity <- coords_obj["sensitivity"]
specificity <- coords_obj["specificity"]

# 陽性尤度比 (LR+) と 陰性尤度比 (LR-) を計算
positive_likelihood_ratio <- sensitivity / (1 - specificity)
negative_likelihood_ratio <- (1 - sensitivity) / specificity

# 結果を出力
print(paste("陽性尤度比 (LR+):", positive_likelihood_ratio))
print(paste("陰性尤度比 (LR-):", negative_likelihood_ratio))

# 最適な閾値を取得
best_coords <- coords(roc_obj, x = "best", ret = c("threshold", "sensitivity", "specificity"))

# 最適な閾値を表示
best_coords

データの散布図、教科書のロジスティック回帰のlogitの説明で見たことあるような雰囲気

結果のROC曲線です。結構いい。

その他性能や閾値です

miscellaneous

ROC カーブをRで描いてみた

Posted on by observation / 0件のコメント

pROCパッケージの使い方

まず、pROCパッケージを使用してROC曲線を作成し、AUCを計算する例を示します。

# パッケージのインストールと読み込み
install.packages("pROC")
library(pROC)

# サンプルデータの読み込み
data(aSAH)

# 散布図の作成 データの外観を確認する
ggplot(aSAH, aes(x=wfns, y=s100b, color=outcome)) +
  geom_point() +
  labs(title="aSAH Data: wfns vs s100b",
       x="wfns value",
       y="s100b value")+
  scale_y_continuous(limits = c(0, 1))

# ROC曲線の作成　s100b血清値でSAHの予後予測する設定
roc_obj <- roc(aSAH$outcome, aSAH$s100b)

# ROC曲線のプロット
plot(roc_obj, main="ROC Curve predicting outcome of SAH using s100b value")

# AUCの計算
auc_value <- auc(roc_obj)
print(paste("AUC:", auc_value))

# 感度、特異度、陽性的中率、陰性的中率を計算
coords_obj <- coords(roc_obj, x="best", ret=c("sensitivity", "specificity", "ppv", "npv"))

# 結果を出力
print(paste("感度:", coords_obj["sensitivity"]))
print(paste("特異度:", coords_obj["specificity"]))
print(paste("陽性的中率:", coords_obj["ppv"]))
print(paste("陰性的中率:", coords_obj["npv"]))

# 尤度比を算出、その前に改めて感度と特異度を取得
coords_obj <- coords(roc_obj, x="best", ret=c("sensitivity", "specificity"))
sensitivity <- coords_obj["sensitivity"]
specificity <- coords_obj["specificity"]

# 陽性尤度比 (LR+) と 陰性尤度比 (LR-) を計算
positive_likelihood_ratio <- sensitivity / (1 - specificity)
negative_likelihood_ratio <- (1 - sensitivity) / specificity

# 結果を出力
print(paste("陽性尤度比 (LR+):", positive_likelihood_ratio))
print(paste("陰性尤度比 (LR-):", negative_likelihood_ratio))

aSAHデータ（一部）

データの概観

plot出力

AUCの計算

s100bでoutcomeを予測する予後予測の性能としての計算

感度・特異度・陽性的中率・陰性的中率

陽性尤度比・陰性尤度比

小技

このパッケージ、パイプを使うと、だいぶシンプルで見やすくなります
ここでは予測に上述のs100bの代わりにwfnsを使用してみました

data(aSAH)

library(dplyr) #パイプを使用するためにパッケージを使用

roc2.1 <- aSAH %>% roc(outcome, wfns)
ggroc(roc2.1)

RのpROCパッケージの主な関数

関数名説明使用例
roc()ROC曲線を作成roc(response, predictor)
plot()ROC曲線を描画plot(roc_object)
auc()ROC曲線のAUCを計算auc(roc_object)
ci()ROC曲線の信頼区間を計算ci(roc_object)
coords()ROC曲線上の特定の点の座標を取得coords(roc_object, "best")
ggroc()ggplot2を使用してROC曲線を描画ggroc(roc_object)
roc.test()ROC曲線の統計的な比較roc.test(roc_object1, roc_object2)
smooth()ROC曲線を平滑化smooth(roc_object)
var()ROC曲線のAUCの分散を計算var(roc_object)

ROCRパッケージの使い方

次に、ROCRパッケージを使用してROC曲線を作成し、パフォーマンスを評価する例を示します。

その前にiris データをプロット。ここではPetalLengthが5以上でvirginicaと判断する予測方法のパフォーマンスを調べるようにします　

# 基本パッケージの読み込み
library(ggplot2)

# irisデータセットの読み込み
data(iris)

# 散布図の作成
ggplot(iris, aes(x=Petal.Length, y=Petal.Width, color=Species)) +
  geom_point() +
  labs(title="Iris Data: Petal Length vs Petal Width",
       x="Petal Length",
       y="Petal Width")


# パッケージのインストールと読み込み
# install.packages("ROCR")
library(ROCR)

# irisデータセットの読み込み
data(iris)

# 二値分類のためのデータ準備
iris_binary <- iris
iris_binary$Species <- ifelse(iris$Species == "virginica", 1, 0)

# 予測値としてPetal.Lengthを使用し、閾値５で二値化
predictions <- ifelse(iris_binary$Petal.Length >= 5, TRUE, FALSE)
labels <- iris_binary$Species

# Predictionオブジェクトの作成
pred <- prediction(as.numeric(predictions), labels)

# パフォーマンスオブジェクトの作成
perf <- performance(pred, measure = "tpr", x.measure = "fpr")

# ROC曲線のプロット
plot(perf, main="ROC Curve with Petal Width Threshold")

# AUCの計算
auc_value <- performance(pred, measure = "auc")
auc_value <- auc_value@y.values[[1]]
print(paste("AUC:", auc_value))

結果のプロット

結果が奇麗すぎ（データのプロット見たらわかるように、一つの変数で種をきれいに分離できますからね）

miscellaneous

プログラマブルキーボードマニュアル

Posted on by observation / 0件のコメント

表題のキーボードの設定を簡単に解説

・　設定用アプリ「MINI KeyBoard.exe」を起動

・　「危険」と言う様な警告画面が出ますが、心配しつつ実行

・　Connectedの下のKEY1をタップして、ハイライトして、設定したいキーを選ぶ（図ではBackspaceを選択）

・　Download （キーボードへ設定する情報を送信する意味の様です図では赤まる）をタップ

同様にKEY2, KEY3も設定する。

—

以下はプログラマブルキーボード（3キー）のマニュアルの機械翻訳です

このリンク先にオリジナルの情報とアプリが保存されています。一応ダウンロードして、ウイルススキャンを行って、2025/1/29 時点のファイルには問題のある罠は仕掛けられていない事を確認しています。将来、誰かが何かを仕掛けることもあり得ますので、ダウンロードしたら毎回チェックは必要でしょう。

Romoral ユーザーマニュアル —3キー有線RGBバージョン用

  1. ウェブサイトを開き、完全な圧縮パッケージをダウンロードします。
  2. ダウンロードした完全な圧縮パッケージを解凍します。
  3. ウイルス対策ソフトを公開し、信頼できるファイルとして設定することを忘れないでください。
  4. 解凍した完全な圧縮パッケージ内の緑色のマークが付いたアプリケーションをクリックします。カスタムキーボード設定を行います。
  5. 設定では、Win=Command、Alt=Optionです。
  6. ソフトウェア内のセットアップビデオもご覧いただけます。 インストール中に質問がある場合は、お気軽にお問い合わせください。喜んでお手伝いします。

注意: このソフトウェアはWindowsシステムでのみ動作します。PC側のコンピュータでダウンロードしてください。設定ソフトウェアはインストール不要で、開いた後に直接実行できます。設定後はキーボードに自動的に保存され、LinuxやMacOSなどのUSBプロトコルをサポートするコンピュータに接続して使用できます。（初回はウイルス対策ソフトに注意し、信頼できるファイルとして設定してください）!!

上記の手順に従って進めてください。同時に、ソフトウェアパッケージにはユーザーマニュアル、ショートカットキー設定ビデオ、日常の質問への回答が含まれています。インストール中に質問が発生した場合は、心配せずに問題のスクリーンショットやビデオを送ってください。サポートいたします。ありがとうございます。

フレンドリーフィードバックを残してくださった購入者様へ: 生涯無料の相談とサービスを提供します。また、オリジナルのシャフトスイッチをギフトとして提供します。（新しい注文と一緒に発送できます）。このギフトは生涯有効です。請求されるまで有効です。ありがとうございます。（Choiceストアの購入者様は、Romoralの公式ストアカスタマーサービスに連絡して受け取ってください）

製品について

  • [Windowsユーザー] 「コピー」、「ペースト」、「カット」は工場出荷時のデフォルト機能です。Windowsユーザーにとって、これはプラグアンドプレイで、箱から出してすぐに使用でき、ソフトウェアやウェブサイトを必要とせずにコピー/ペースト/カットが可能です。
  • Macを使用する前に、キーボードをMACコンピュータに接続し、アプリケーションで3つのボタンの設定を手動で構成する必要があります: 左ボタン=GUI（win）+C、中ボタン=GUI（win）+V、右ボタン=GUI（win）+X。
  • [機能] デフォルト機能は「コピー」、「ペースト」、「カット」です。他の機能も使用できます。ショートカットキー、マルチステップアクション、マルチキー統合、元に戻す、やり直し、すべて選択、再生、一時停止、音量、曲の切り替え、進む、戻る、カスタムスクリプトなど。ソフトウェア内のLEDリストを通じて、希望するシェルのライトカラーとグラデーションモードを選択できます。
  • 【文字互換性】 3つの組み合わせキー+5つの文字。
  • ソフトウェアプログラミングはWindowsシステムにのみ適用されます。Windowsシステムでの設定が成功した後、MacOS、Linux、IPADなどのデバイスで動作します。
  • 【パッケージ内容】 ミニ3キーキーボード1個、5フィート長のUSBデータケーブル1本

日常の質問への回答

  • Q: ダウンロード後に設定ソフトウェアを開けないのはなぜですか？
    • A: ウイルス対策ソフトが操作を妨げていないか確認してください。信頼できるファイルとして設定し、実行してください。
  • Q: コンピュータがミニキーボードに接続できないのはなぜですか？
    • A: まずミニキーボードをコンピュータに挿入してください。その後、ソフトウェア内のアプリケーションプログラムを開いて設定してください。
  • Q: ℃、Ⅲ、F13、F14などを入力できないのはなぜですか？
    • A: 製品の設計コンセプトは標準の大きなキーボードに由来します。ショートカットキーの組み合わせが標準キーボードの標準ショートカットキーの組み合わせである限り、設定できます。非標準/個人的な任意の組み合わせは互換性がありません。ありがとうございます。
  • Q: MAC Appleシステムは使用できますか？
    • A: はい、USBキーボードをサポートするシステムであれば使用できます。まずWinシステムで設定する必要があります。設定時にWinキーをCommandキーとして、AltキーをOptionキーとして使用します。例えば、MacシステムでのコピーはCommand+Cですが、Winシステムで設定する際にはWin+Cとして設定できます。
miscellaneous

ワクチンのシェディングについて②

Posted on by observation / 1件のコメント

はじめに

前回の記事では、一般的な従来使用されてきたという意味でのワクチンのシェディングの例を文献を引用して説明しました。そして、レプリコンワクチンに対する懸念として拡散されている「シェディング」が従来使用されていたのとは違う意味だという点、根拠とされるSeneff氏の文献は直接の根拠を示さず、引用文献を引いているのみだという事を記載しました。今回の記事ではSeneff氏が根拠として引用しているLucchetti氏の論文（Lucchetti et al., 2021）を見てゆきます。

タイトル

Detection and characterisation of extracellular vesicles in exhaled breath condensate and sputum of COPD and severe asthma patients

直訳すると「COPDおよび重症喘息患者の呼気凝縮液および痰中の細胞外小胞の検出と特性評価」

タイトルを見ますと、mRNAワクチンの何かを論じているものとは読み取れません。タイトルだけみても慢性閉塞性肺疾患あるいは重症ぜんそく患者の呼気や喀痰に細胞外小胞が検出できたという話だとわかります。

ジャーナルについて

Lucchetti氏の論文（Lucchetti et al., 2021）の掲載されていますEuropian Respiratory Journalは直近のインパクトファクターが16.6と一流雑誌という事ができます。

ピアレビューか

学術雑誌の記事には、論文が専門家によって査読されて後に世に出るピアレビュー誌とそうでない非ピアレビュー誌があります。「ピアレビュー誌」の中にも専門家によって査読される記事とそうでない記事があります。詳しくは各雑誌の投稿規定を見ると書かれていますが、「オリジナルアーティクル」は通常ピアレビューの記事になります。一方、「エディトリアル」と呼ばれる、当該雑誌に掲載されたオリジナルアーティクルの紹介文や編集者からのメッセージ、それに、訂正のお知らせなどはピアレビューではありません。専門家同士のコミュニケーションである、レターやショートコミュニケーションはピアレビューを実施する雑誌とそうでない雑誌がありますが、ピアレビューを実施しない雑誌でも編集者が目を通して一定の基準を満たしたものが掲載されることが多いはずです。

このLucchetti氏の論文はResearch Letterの記事で、記事のボリュームやデータがしっかり示されて論述しているところからはピアレビューを受けて世に出されたものだと思われます。

論文の概要

以下が当該論文の概要です：

  • 研究目的：EBC（呼気凝縮液）および痰中の細胞外小胞の総タンパク質含量を測定し、細胞外小胞の数を間接的に評価。
  • 対象者：重症喘息患者20名、COPD患者35名、健康な対照者10名。
  • 測定項目：スパイロメトリー、FENO測定、EBC収集、痰誘発。
  • 結果：
    • EBC中の小型細胞外小胞（sEV）タンパク質濃度は、重症喘息患者で最も高い。
    • EBC中の中型細胞外小胞（mEV）タンパク質濃度は、COPD患者で最も高い。
    • 痰上清から分離されたsEVおよびmEVのタンパク質濃度は、重症喘息患者とCOPD患者で類似。
  • 結論：
    • EBCは、重症喘息とCOPD患者間の細胞外小胞の定量的差異を研究するための有用な生体液である可能性。
    • EBC sEVおよびmEVからDNAを分離でき、肺疾患の遺伝子解析に適した核酸の供給源となる可能性。
  • 今後の課題：細胞外小胞の内容物を定量化し、時間経過による変動性や潜在的な交絡因子を明確にする必要がある。

記事はmRNAワクチンのシェディングを論じているか

上記の通りLucchetti氏の論文は慢性閉塞性肺疾患（COPD）か重症喘息患者を対象としていて、mRNAワクチンの接種の有無は問題にしていません。直径20-1000nmほどの小型の膜で覆われた小胞の事を問題にしています。これはコロナウイルスのサイズ100nm付近に近いレンジで、スパイクタンパク（10nmほどか？）は議論に出てきていません。少なくとも直接的にmRNAワクチンを接種したヒトからスパイクタンパクが放出されるという事を示したという話ではありません。

まとめ

私の読み解いたところでは、Lucchetti氏の論文は普通の学術論文で、一流紙で論じられた科学的な知見であるが、それはmRNAワクチンのシェディングを懸念するというデータではありません。この部論文を引用したSeneff氏が持論に都合良いように曲解しているとなります。

References

Lucchetti, D., Santini, G., Perelli, L., Ricciardi-Tenore, C., Colella, F., Mores, N., Macis, G., Bush, A., Sgambato, A., & Montuschi, P. (2021). Detection and characterisation of extracellular vesicles in exhaled breath condensate and sputum of COPD and severe asthma patients. 58(2), 2003024. https://doi.org/10.1183/13993003.03024-2020

Translate »